Espinel Ortega, ÁlvaroPico Gallo, Sergio AndrésBermúdez Espíndola, Cristian David2025-04-082025-04-082024-11-12http://hdl.handle.net/11349/94727El siguiente trabajo aborda el diseño y construcción de un sistema avanzado de medición de energía eléctrica, que cuenta con la capacidad de funcionar tanto como macro y micromedidor de energía, el sistema de adquisición de datos (SAD) y la etapa de sensado están conformadas por un microcontrolador ESP8266 y tres dispositivos PZEM-004T, uno por cada fase. La innovación del sistema radica en su capacidad de monitorear variables eléctricas en tiempo real para posteriormente realizar predicciones de la demanda, mejorando así la gestión y la eficiencia de la energía en las redes de distribución. Inicialmente, se llevó a cabo la construcción de un prototipo que cuenta con la capacidad de capturar variables eléctricas como: tensión, corriente, potencia activa, reactiva y aparente, factor de potencia, frecuencia y energía, en distintos puntos de la red eléctrica, como por ejemplo la salida de transformadores y puntos de consumo en hogares y empresas (macro y micromedición). El prototipo desarrollado, cuenta con un aplicativo que puede ser instalado en versión de escritorio y en su versión móvil, que permite visualizar el comportamiento del consumo eléctrico y demás variables monitoreadas en tiempo real, almacenar estas medidas en un repositorio de datos, facilitando su posterior análisis para la realización de proyecciones de demanda y mejora en los hábitos de consumo de los usuarios. Para garantizar la exactitud del dispositivo, se realizaron pruebas exhaustivas comparando los resultados obtenidos por el prototipo con un instrumento de medición certificado, lo que permitió identificar la clase de precisión del dispositivo, confirmando que cumple con los requisitos necesarios para su uso en la medición de energía en los puntos previamente mencionados en redes eléctricas de distribución. Posteriormente, se realiza un análisis de los datos proporcionados por el sistema de medición que permitan identificar patrones de consumo y tendencias en el comportamiento de la demanda energética. Para ello, se implementaron y compararon diversos métodos de tipo estadístico y econométrico como ARIMA, Holt Winters y no estadísticos, tales como Random Forest, XGBoost y redes neuronales. Estos métodos utilizan distintas técnicas matemáticas que permiten obtener resultados dentro de un intervalo de confianza y con niveles de error relativamente bajos. Para comprobar el funcionamiento de los algoritmos implementados, se utilizaron datos reales de potencia demandada extraídos de la plataforma Sinergox de XM, como datos simulados de consumos obtenidos por el prototipo de medición, a través de la API proporcionada por la misma y el uso de las librerías correspondientes en Python. Las series de tiempo utilizadas para el entrenamiento del algoritmo contienen datos correspondientes a un período de 4 meses. Las predicciones realizadas abarcan de 7 a 10 días, para lo cual se tuvo en cuenta el tipo de día y fechas atípicas, como días festivos, en los que el consumo de energía sufre variaciones significativas, demostrando la eficiencia del sistema para realizar predicciones y la capacidad de adaptarse a cualquier serie de tiempo y día de la semana, incluso en condiciones de demanda no convencionales. El sistema desarrollado se proyecta como una solución de bajo costo y alta eficiencia para el monitoreo de variables eléctricas y la predicción de la demanda, consolidándose como una herramienta valiosa para la gestión eficiente de la energía en redes de distribución eléctrica.This work focuses on the design and construction of an advanced electrical energy metering system capable of functioning as both a macro and micro energy meter. The data acquisition system (DAS) and sensing stage consist of an ESP8266 microcontroller and three PZEM-004T devices, one for each phase. The innovation of the system lies in its ability to monitor electrical variables in real time and subsequently perform demand forecasting, thereby improving energy management and efficiency in distribution networks. Initially, a prototype was developed with the capability to capture electrical variables such as voltage, current, active, reactive, and apparent power, power factor, frequency, and energy at various points in the electrical network, such as transformer outputs and consumption points in homes and businesses (macro and micro metering). The developed prototype includes an application that can be installed on desktop and mobile platforms, enabling users to visualize real-time electrical consumption behavior and other monitored variables. The system also stores this data in a repository for further analysis, facilitating demand forecasting and promoting improved consumption habits. To ensure the accuracy of the device, extensive testing was conducted, comparing the prototype's results with those obtained from a certified measuring instrument. These tests allowed the determination of the device's precision class, confirming that it meets the necessary requirements for energy measurement in the aforementioned distribution network points. Subsequently, the system's measurement data was analyzed to identify consumption patterns and trends in energy demand behavior. Various statistical and econometric methods, such as ARIMA and Holt-Winters, as well as non-statistical methods like Random Forest, XGBoost, and neural networks, were implemented and compared. These methods employed different mathematical techniques to deliver results within a confidence interval and with relatively low error rates. To validate the performance of the implemented algorithms, real power demand data was used, obtained from the Sinergox platform by XM, as well as simulated consumption data generated by the measurement prototype through the provided API and the corresponding Python libraries. The time series used for algorithm training covered a four-month period, and the predictions spanned 7 to 10 days. These predictions considered the type of day and atypical dates, such as holidays, where energy consumption experiences significant variations. The results demonstrated the system's efficiency in making accurate predictions and adapting to any time series or day of the week, even under unconventional demand conditions. The developed system is projected as a low-cost, highly efficient solution for monitoring electrical variables and demand forecasting, establishing itself as a valuable tool for efficient energy management in electrical distribution networks.pdfMedición inteligentePredicción de demandaMachine learningEficiencia energéticabachelorThesisIngeniería Eléctrica -- Tesis y disertaciones académicasGeneración de energíaDistribución de energía eléctrica -- MonitoreoEléctricidad -- MedicionesAprendizaje automático (Inteligencia artificial)OpenAccessSmart meteringDemand forecastingMachine learningEnergy efficiencyAbierto (Texto Completo)